Graphiti MCP Pro

🚀 Graphiti MCP Pro

Graphiti MCP Pro 是一個基於 Graphiti 的增強型內存存儲庫 MCP 服務和管理平臺。它主要為在動態環境中運行的 AI 代理量身定製，能將用戶交互、企業數據和外部信息集成到可查詢的圖中，適合開發交互式、上下文感知的 AI 應用。與原項目的 MCP 服務 相比，它具有增強的核心能力、更廣泛的 AI 模型兼容性和全面的可視化管理界面等優勢。

🚀 快速開始

使用 Docker Compose 運行（推薦）

1. 克隆項目

   git clone http://github.com/itcook/graphiti-mcp-pro
   # 或者使用 SSH 方式克隆
   # git clone git@github.com:itcook/graphiti-mcp-pro.git
   cd graphiti-mcp-pro
   

2. 配置環境變量（可選）

   # 複製示例配置文件
   mv .env.example.en .env
   # 根據說明編輯 .env 文件
   

⚠️ 重要提示

如果想繼續使用之前 Graphiti MCP 的數據，需將 .env 文件中的 NEO4J 相關參數設置為你的 Neo4j 數據庫連接信息，其他參數保持默認。

3. 啟動服務

   docker compose up -d
   

💡 使用建議

如果項目有更新，需要重新構建鏡像，可使用 docker compose up -d --build。不用擔心，數據會持久保存在外部數據庫中，不會丟失。

4. 訪問管理界面 默認地址：http://localhost:6062

手動安裝

⚠️ 重要提示

前提條件：

1. Python 3.10+ 和 uv 項目管理器
2. Node.js 20+
3. 可訪問的 Neo4j 5.26+ 數據庫服務
4. AI 模型服務

1. 克隆項目

   git clone http://github.com/itcook/graphiti-mcp-pro
   # 或者使用 SSH 方式克隆
   # git clone git@github.com:itcook/graphiti-mcp-pro.git
   cd graphiti-mcp-pro
   

2. 安裝依賴

   uv sync
   

3. 配置環境變量

   # 複製示例配置文件
   mv .env.example.en .env
   # 根據說明編輯 .env 文件
   

4. 運行 MCP 服務

   # 運行帶有管理後端的服務
   uv run main.py -m
   # 或者僅運行 MCP 服務
   # uv run main.py
   

5. 構建並運行管理前端 進入前端目錄並安裝依賴：

   cd manager/frontend
   pnpm install  # 或者使用 npm install / yarn
   

構建並運行前端：

pnpm run build   # 或者使用 npm run build / yarn build
pnpm run preview # 或者使用 npm run preview / yarn preview

訪問管理界面：http://localhost:6062

✨ 主要特性

增強的核心能力

異步並行處理

添加記憶是 MCP 服務的核心功能。我們在原實現基礎上引入了異步並行處理機制，同一組 ID（如不同開發項目）最多可並行執行 5 個添加記憶任務，顯著提高了處理效率。

任務管理工具

新增了四個用於管理 add_memory 任務的 MCP 工具：

• list_add_memory_tasks - 列出所有 add_memory 任務
• get_add_memory_task_status - 獲取 add_memory 任務狀態
• wait_for_add_memory_task - 等待 add_memory 任務完成
• cancel_add_memory_task - 取消 add_memory 任務

統一配置管理

優化了配置管理，解決了命令行參數、環境變量和管理後端數據庫配置之間的不一致問題。

⚠️ 重要提示

啟用管理後端時，.env 環境配置文件中的 MCP 服務參數僅在首次啟動時生效，後續配置將基於管理後端數據庫中的參數。

更廣泛的 AI 模型兼容性和靈活性

增強的模型兼容性

通過與 instructor 庫集成，顯著提高了模型兼容性。現在支持各種模型，如 DeepSeek、Qwen，甚至可以通過 Ollama、vLLM 運行本地模型，只要它們提供與 OpenAI API 兼容的接口。

分離的模型配置

將原有的統一 LLM 配置拆分為三個獨立配置，可根據實際需求靈活組合：

• 大模型（LLM）：負責實體和關係提取
• 小模型（Small LLM）：處理實體屬性總結、關係去重、重新排序等輕量級任務
• 嵌入模型（Embedder）：專門用於文本向量化

⚠️ 重要提示

配置嵌入模型時，請注意其 API 路徑與上述兩個 LLM 不同。LLM 使用聊天完成路徑 {base_url}/chat/completions，而文本嵌入使用 {base_url}/embeddings。如果在管理後端選擇“與大模型相同”，請確保配置的大模型支持文本嵌入。

此外，如果通過 docker compose 運行服務，而 LLM 或嵌入模型在本地運行，需要將 base_url 配置為 http://host.docker.internal:{port}，其中端口應根據本地運行端口進行調整。

全面的管理平臺

為了提供更好的用戶體驗和可觀測性，我們開發了完整的管理後端和 Web UI。通過管理界面，你可以：

• 服務控制：啟動、停止、重啟 MCP 服務
• 配置管理：即時更新和調整配置
• 使用監控：查看詳細的令牌使用統計信息
• 日誌查看：即時和歷史日誌查詢

📚 詳細文檔

已知限制

• 🔒 安全注意事項：管理後端未實現授權訪問機制，請勿將服務暴露在公共服務器上。
• 🧪 測試覆蓋：由於資源限制，項目尚未進行全面測試，建議僅用於個人使用。
• 📡 傳輸協議：僅支持可流式傳輸的 HTTP 傳輸協議，移除了原項目中的 stdio 和 sse 支持。
• ⚙️ 代碼優化：一些架構設計（依賴注入、異常處理、客戶端解耦等）仍有優化空間。

使用建議

• 配置說明：請仔細閱讀 .env.example.en 中的設置說明和註釋。
• 模型選擇：如果使用 GPT/Gemini/Claude 等原生支持的模型，且不需要詳細的運行時信息，可考慮使用原 Graphiti MCP。
• 問題反饋：歡迎提交 Issues 或 Pull Requests 反饋使用問題。

由 🤖 Augment Code 協助開發